3

我正在尝试对一些电影评论数据运行分类器。数据已经被分成reviews_train.txt和reviews_test.txt。然后我加载数据并将每个数据分成审查和标签（正（0）或负（1）），然后对这些数据进行矢量化。这是我的代码：

from sklearn import tree
from sklearn.metrics import accuracy_score
from sklearn.feature_extraction.text import TfidfVectorizer
#read the reviews and their polarities from a given file

def loadData(fname):
    reviews=[]
    labels=[]
    f=open(fname)
    for line in f:
        review,rating=line.strip().split('\t')  
        reviews.append(review.lower())    
        labels.append(int(rating))
    f.close()

    return reviews,labels

rev_train,labels_train=loadData('reviews_train.txt')
rev_test,labels_test=loadData('reviews_test.txt')

#vectorizing the input
vectorizer = TfidfVectorizer(ngram_range=(1,2))
vectors_train = vectorizer.fit_transform(rev_train)
vectors_test = vectorizer.fit_transform(rev_test)

clf = tree.DecisionTreeClassifier()
clf = clf.fit(vectors_train, labels_train)

#prediction
pred=clf.predict(vectors_test)
#print accuracy

print (accuracy_score(pred,labels_test))

但是我不断收到此错误：

ValueError: Number of features of the model must match the input.
Model n_features is 118686 and input n_features is 34169

我对 Python 很陌生，所以如果这是一个简单的修复，我提前道歉。

4

1 回答 1

2

问题就在这里：

vectorizer = TfidfVectorizer(ngram_range=(1,2))
vectors_train = vectorizer.fit_transform(rev_train)
vectors_test = vectorizer.fit_transform(rev_test)

您调用fit_transform训练和测试数据。 fit_transform同时创建存储在其中的模型，vectorizer然后使用该模型创建向量。因为您调用它两次，vectors_train所以首先创建并生成输出特征向量，然后您fit_transform用测试数据的第二次调用覆盖模型。这会导致向量大小的差异，因为与测试数据相比，您使用不同长度的特征训练决策树。

执行测试时，您必须使用用于训练的相同模型转换数据。因此，不要调用fit_transform测试数据 - 只需使用transform已经创建的模型：

vectorizer = TfidfVectorizer(ngram_range=(1,2))
vectors_train = vectorizer.fit_transform(rev_train)
vectors_test = vectorizer.transform(rev_test) # Change here
于 2018-10-23T22:44:11.427 回答